基于营收与客户数的分支分类预测异常问题求助

安全阿岳

2026-5-8

问题分析与修正建议

看起来你是想构建模型判断同一城市中哪个分支（依据营收/客户数量）是默认分支，但代码里有几个关键问题导致预测失效，我帮你逐一拆解：

LabelEncoder的错误复用与预测编码不一致
你在训练时用同一个LabelEncoder处理所有object类型列，这本身就有问题——每个分类特征（比如City、State、Branch Code）的类别集合是不同的，共用一个编码器会导致编码混乱。更严重的是，预测时你又对输入重新执行le.fit_transform()，这会生成和训练时完全不同的编码映射！比如训练时Chennai可能被编码为2，但预测时因为输入只有这一个城市，会被编码为0，模型自然无法正确识别。
正确的做法是为每个分类特征单独创建LabelEncoder，或者更推荐用ColumnTransformer结合OneHotEncoder来处理分类特征（避免顺序编码带来的误导）。
特征包含了“答案信息”，违背任务逻辑
你的特征列里包含了Branch Code，而目标y是默认分支（本质上就是某个Branch Code）。这相当于把要预测的答案直接放进了特征里，模型根本不会去学习“同一城市里营收/客户多的分支是默认”这个规则，只会机械记住Branch Code和y的映射，完全偏离了你的任务目标。
你应该把Branch Code从特征中移除，特征只保留City、State、Revenue、Customers，而目标y应该是该分支是否为默认分支（比如用0/1标记）——这样模型才会学习到“同一城市中，营收或客户数量更高的分支更可能是默认分支”的模式。
分类特征的编码方式不合理
LabelEncoder生成的是顺序编码（比如City的不同值被编码为0、1、2...），但城市之间并没有数值大小关系，这种编码会让模型错误地认为类别之间有顺序，影响模型学习。对于这类无序分类特征，应该使用独热编码（OneHotEncoder），这样每个类别都是独立的特征，不会引入虚假的顺序关系。

修正后的示例代码

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.ensemble import ExtraTreesClassifier

# 加载数据
data = pd.read_csv('train.csv')

# 第一步：正确标记目标列——同一城市中，将营收最高的分支标记为默认（1），其余为0
# 你可以根据需求调整规则，比如结合客户数量加权
data['Is_Default'] = data.groupby('City')['Revenue'].rank(ascending=False, method='first') == 1
data['Is_Default'] = data['Is_Default'].astype(int)

# 划分特征和目标：移除Branch Code，目标为是否默认
feature_cols = ['City', 'State', 'Revenue', 'Customers']
X = data[feature_cols]
y = data['Is_Default']

# 构建预处理管道：对分类特征做独热编码，数值特征直接保留
preprocessor = ColumnTransformer(
    transformers=[
        ('cat_features', OneHotEncoder(sparse_output=False, drop='first'), ['City', 'State']),
        ('num_features', 'passthrough', ['Revenue', 'Customers'])
    ])

# 组合预处理和模型的完整管道
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('classifier', ExtraTreesClassifier(n_estimators=10))
])

# 训练模型
model_pipeline.fit(X, y)

# 测试预测：判断给定分支是否为默认
test_input = pd.DataFrame([['Chennai','TN',15000,3]], columns=feature_cols)
pred_result = model_pipeline.predict(test_input)
print('Is Default Branch?', 'Yes' if pred_result[0] == 1 else 'No')
print("Model Score", model_pipeline.score(X, y))

另外要注意：你需要确保训练数据的标签是完全符合规则的——也就是同一城市中，确实把营收/客户最多的分支标记为Is_Default=1。如果原始数据的标签本身不符合这个逻辑，模型从一开始就学不到正确模式，这也是常见的问题根源。

内容的提问来源于stack exchange，提问作者Dilip M D

基于营收与客户数的分支分类预测异常问题求助

修正后的示例代码 #

修正后的示例代码